Voy a divergir de las dos respuestas aquí (Philip y Ganesh) y decir que cualquier persona fuerte en el procesamiento de señales es probable que tenga la mayoría de las estadísticas requeridas y los antecedentes de probabilidad requeridos para la ciencia de datos. De hecho, en el sentido de que tiene una fuerte sensación para un tipo de datos, está por delante del juego en comparación con aquellos que podrían no tenerlo. Saber cómo pensar sobre los datos de la señal puede ayudarlo a aprender sobre otros tipos de datos y, lo que es más importante, puede ayudarlo a pensar sobre esos tipos de datos de manera no estándar. La pregunta original es bastante antigua, pero para cualquiera que siga esta pregunta y se pregunte ahora qué hacer con sus antecedentes en el procesamiento de señales … busque ciencia de datos si eso es lo que quiere. Especialmente si puede encontrar un lugar donde su conocimiento de procesamiento de señales sea útil.
¿Cómo puede ayudar una formación en procesamiento de señales en una carrera en ciencia de datos?
Related Content
¿Es más fácil construir un vehículo autónomo que un sistema de traducción automática a nivel humano?
¿Cuáles son algunos ejemplos de uso de modelos no lineales para regresión?
¿Qué cobran por hora los contratistas en aprendizaje automático?
Una experiencia en el procesamiento de señales le ayudaría a comprender conceptos estadísticos más fáciles de señalar a lo que Ganesh Parameswaran mencionó. Cuando se trata de lidiar con señales físicas, ideas como el muestreo (tanto clásico como compresivo), el análisis de Fourier y las transformaciones funcionales desempeñan un papel fundamental para obtener las muestras en bruto en una representación que pueda ser procesada por sentidos humanos o algoritmos de aprendizaje descendente .
Por ejemplo, aquí están las imágenes después de procesarlas teniendo en cuenta la geometría de vuelo y el proceso físico real:
… y aquí están los datos en bruto correspondientes:
Sería una tontería enviar esto a un algoritmo de aprendizaje y esperar que pueda ver que son solo un montón de dispersores de puntos.
El procesamiento de la señal ayuda un poco. Usamos correlación, similitud de coseno todo el tiempo. También existe el concepto de SNR. Generalmente, elimina palabras que son muy comunes (llamadas palabras de detención) antes de hacer el análisis. PCA se utiliza para reducir la dimensionalidad. Incluso se utiliza un análisis de componentes independiente, pero no recuerdo exactamente dónde.
No creo que el procesamiento de señal ayude si vas a hacer algún tipo de análisis en una red.
Más que el procesamiento de señales, los cursos que me han ayudado mucho son la probabilidad y los procesos aleatorios, y la teoría estadística de la comunicación.
More Interesting
¿Dónde puedo encontrar conjuntos de datos para aprender autocorrección o corrección ortográfica?
Cómo analizar páginas web a través de enlaces de Twitter
¿Cuáles son algunas aplicaciones de muestreo de importancia en Deep Learning?
¿Qué significa extraer características de alguna capa de una red neuronal convolucional?
¿Cuál es el proceso de modelado?
¿Puedo terminar en trabajos de aprendizaje automático si tengo una maestría en neurociencia?
¿Qué es el filtrado colaborativo en términos simples?
¿Qué tipo de matemática se usa en el aprendizaje automático? ¿Puedo aprender ML sin él?
